Autobidding 中点击与转化估计的不确定性量化
机器学习
2026-03-03 v1 计算机科学与博弈论
机器学习
摘要
现代电子商务平台采用各种拍卖机制为给定物品分配付费位置。为了将这种方法扩展到数百万场拍卖，平台会基于 autobidding 算法提供促销工具。这些算法通常依赖于由预训练机器学习模型提供的点击率 (CTR) 和转化率 (CVR) 估计。然而，这些模型的预测具有不确定性，可能会显著影响 autobidding 算法的性能。为解决此问题，我们提出了 DenoiseBid 方法，该方法纠正生成的 CTR 和 CVR，以使最终出价在拍卖中更高效。我们方法的基本思想是采用贝叶斯方法，用恢复分布中的 CTR 或 CVR 估计来取代噪声较大的 CTR 或 CVR 估计。为展示所提出方法的性能，我们在合成数据、iPinYou 和 BAT 数据集上进行大量实验。为了评估方法对噪声规模的鲁棒性，我们使用合成噪声和来自预训练机器学习模型预测的噪声估计。
引用
@article{arxiv.2603.01825,
title = {Uncertainty Quantification of Click and Conversion Estimates for the Autobidding},
author = {Ivan Zhigalskii and Andrey Pudovikov and Aleksandr Katrutsa and Egor Samosvat},
journal= {arXiv preprint arXiv:2603.01825},
year = {2026}
}
备注
17 pages (10 main text + 7 appendix), 5 figures, 2 tables